简介: Variation Model 的主要原理是将待检测的图像与一张 标准图像作比较,找出待检测图像与标准图像 (idealimage)的明显差异(也就是不良)。标准图像可以采用几张OK品的图像训练(training)得到 ,也可以通过对一张OK品图像进行处理得到。 训练后得到标准图像和一张variation图像(variationimage),variation图像中包含了图像中每个像素点灰度值允许变化的范围。标准图像和variation图像用来创建一个variationmodel ,如此,其他图像就可以与variationmodel作比较了。(引用http://blog.sina.com.cn/s/blog_802a94a20102v10y.html)输入参数:width、Height是模板和待检测图像的尺寸。输入参数:Type,是图像的类型。输入参数:Model,决定如何计算idealimage和variationimage,其有三种模式1、standard,该模式下,可以使用算子train_variation_model对多张图片进行迭代训练,此时ideal image是通过计算多张图片的平均值获得,variation image是通过计算多张图片的标准方差获得。该模式的优点是可以迭代计算多张good image,缺点是在训练图片时,一旦有不良的图片混入会导致算法检测时出现误判。注意:在训练多张图片时,每张图片的位置、角度都必须一致,可使用基于形状匹配来进行定位处理,然后在进行训练train_variation_model,2、'robust',如果在训练多张图片时,无法避免训练的图片中出现晓得下次,可以使用该模式。此时,ideal image时通过计算多张图片的中值获得,variation image也是通过计算多张图片中值获得。该模式的优点是鲁棒性更强,缺点是无法进行迭代预算。注意:训练多张张图片时,每张图片的位置、角度必须一致,然后使用concat_obj将图片组合起来,在使用train_variation_model进行训练。以上两种模式下,训练完图片后只能使用prepare_variation_model算子准备用于图像比较的模板。
Variation Model
最新推荐文章于 2024-07-19 09:13:11 发布
这篇博客介绍了如何使用Halcon的变模型算子进行物体检测。包括prepare_variation_model、prepare_direct_variation_model以及compare_variation_model这三个关键步骤。在compare_variation_model中,强调了待检测图像必须与模板图像对齐的要求。
摘要由CSDN通过智能技术生成